Met de komst van AI komt er een nieuw type computerchip dat steeds meer gebruikt gaat worden. Inmiddels heb je waarschijnlijk allemaal gehoord van de CPU, de GPU en meer recentelijk de NPU. Laten we het verschil tussen deze verschillende rekeneenheden eens op een rijtje zetten en kijken hoe je ze het beste kunt gebruiken. Maar eerst een geschiedenisles.
(credit : Intel)
CPU's (centrale verwerkingseenheden) werden voor het eerst geïntroduceerd in de jaren 60. Ze vormen het kloppend hart van alle computers en zijn verantwoordelijk voor het uitvoeren van alle basisbewerkingen. Ze zijn ontworpen om veelzijdig te zijn en een breed scala aan instructies en bewerkingen aan te kunnen. Daarom zijn ze ideaal voor het uitvoeren van besturingssystemen, productiviteitssoftware en vele andere algemene toepassingen. Met de komst van de eerste 3D videogames en geavanceerde grafische toepassingen werden de beperkingen van CPU's echter duidelijk. Ontworpen voor algemeen computergebruik, was hun architectuur niet geoptimaliseerd voor de massale parallelle verwerking die nodig is voor grafisch-intensieve toepassingen en wetenschappelijke simulaties.
Met de groeiende vraag naar massale parallelle verwerking die nodig is voor grafisch-intensieve toepassingen en wetenschappelijke simulaties, werden de beperkingen van CPU's en wiskundecoprocessors echter duidelijk. Dit leidde tot de ontwikkeling van grafische verwerkingseenheden (GPU's) in de jaren 1990, die al snel onmisbaar en gespecialiseerd werden voor het parallel verwerken van grote hoeveelheden gegevens. GPU's (verkrijgbaar als geïntegreerde grafische chips of stand-alone grafische kaarten) zijn gebouwd met honderden of duizenden kleine, gespecialiseerde kernen (ALU's: Arithmetic Logic Units) die meerdere bewerkingen tegelijk kunnen uitvoeren, waardoor ze ideaal zijn voor grafische rendering en, meer recent, voor het trainen en inzetten van deep learning modellen.
In de afgelopen paar jaar is er een nieuwe categorie ontstaan die Neural Processing Units (NPU's) wordt genoemd. Terwijl wiskundecoprocessors en GPU's drijvende-kommaberekeningen en parallelle verwerking van grote hoeveelheden gegevens hebben versneld, zijn NPU's ontworpen om efficiënt matrixvermenigvuldigingen en optellingen uit te voeren, wat essentieel is voor kunstmatige intelligentie (AI) en machine learning (ML) werklasten zoals beeldherkenning, verwerking van natuurlijke taal en machinaal leren.
In de praktijk zijn CPU's, GPU's en NPU's allemaal essentieel voor de werking van een moderne computer, maar ze zijn allemaal geoptimaliseerd voor verschillende soorten berekeningen en rendering. Laten we het eens uitsplitsen.
Het hart van elk computerapparaat is de processor, vaak het "brein" van het systeem genoemd. Hij staat bekend om zijn veelzijdigheid en universele rekencapaciteiten, dankzij een architectuur die is ontworpen om toepassingen en taken te beheren die complexe beslissingen vereisen.
Sterke punten
Zwakke punten
GPU's zijn oorspronkelijk ontworpen voor het renderen van graphics in videogames, maar hebben het spel veranderd op het gebied van AI met hun ongeëvenaarde parallelle verwerkingsmogelijkheden, zoals deep learning en beeldverwerking.
In tegenstelling tot CPU's blinken GPU's uit in het parallel uitvoeren van duizenden rekentaken tegelijk, waardoor ze essentieel zijn voor het trainen en aansturen van complexe neurale netwerken.
Sterke punten
Zwakke punten
(Krediet : Intel)
In de zoektocht naar AI-innovatie heeft een nieuwe speler zijn intrede gedaan: de NPU (Neural Processing Unit). NPU's zijn vanaf de basis ontworpen om neurale netwerkberekeningen te versnellen en zijn op maat gemaakt om aan de eisen van deep learning en AI-workloads te voldoen. NPU's leveren ongeëvenaarde prestaties en zijn energiezuinig dankzij hardware- en softwareoptimalisatie.
Sterke punten
Zwakke punten
